Чем ROC-AUC лучше recall

ROC-AUC оценивает модель по всем возможным порогам классификации, а recall — только при одном. ROC-AUC учитывает и precision, и recall (через TPR и FPR), что делает её более устойчивой к дисбалансу классов. Пример:

from sklearn.metrics import roc_auc_score, recall_score

y_true = [0, 1, 1, 0, 1]
y_pred = [0.1, 0.9, 0.8, 0.3, 0.7]

print("ROC-AUC:", roc_auc_score(y_true, y_pred))  # 0.916
print("Recall:", recall_score(y_true, [1 if p > 0.5 else 0 for p in y_pred]))  # 1.0

Здесь recall=1.0 (все положительные верно предсказаны), но ROC-AUC=0.916 показывает, что модель не идеальна при других порогах.